Met Computer Vision kun je een machine leren om vragen te beantwoorden als:
- Wat gebeurt er op deze (camera)beelden?
- Welke personen staan er op een foto?
- Welke lichaamshouding neemt een persoon in situatie x aan?
- Welke objecten zien we in een afbeelding?
- Bij welke architectonische stijl hoort dit gebouw?
Als maker kun je CV op twee manieren inzetten: tijdens je onderzoeksproces of als interactieve toepassing voor je eindgebruiker.
Als je als journalist werkt, en een van je kerntaken is ‘holding power to account’, dan heb je met Computer Vision een krachtig middel in handen. Zo kun je de aanwezigheid van bepaalde personen of groeperingen bij vergaderingen of demonstraties inventariseren en turven. Dit kun je met CV doen door bijvoorbeeld specifiek te kijken naar logo’s, outfits, meegebrachte vlaggen, insignes of spandoeken.
Daarnaast kun je spelden vinden in verschillende hooibergen, zolang je een aantal goede voorbeelden hebt van de speld die je zoekt. Is je vraag: ‘
Waar en hoe komt ontwikkelingssteun terecht?’ dan zoek je bijvoorbeeld middels
CV snel door duizenden foto’s en video’s op social media waar gesubsidieerd
politie- of geexporteerd
oorlogsmaterieel in het buitenland in voor komt.
User research & customer service
Maar ook als je user research of marketingonderzoek doet naar gebruik van bepaalde of hoe mensen accessoires tonen op social media. Of: wat Vlamingen doorgaans aan tuinmeubilair hebben; met Computer Vision kun je beelden classificeren aan de hand van door jou zelf opgestelde visuele criteria.
CV helpt je ook om de helpdeskervaring of customer service journey van je klant te verbeteren. Zo kan ik me voorstellen dat zorgverzekeraars beelden van schade sneller kunnen categoriseren en analyseren wanneer een polishouder foto’s bijvoegt.
De keerzijde
Problemen, ongewenste uitkomsten en andere misstanden met toegepaste Computer Vision komen vrijwel wekelijks in het nieuws - met name rond gezichtsherkenning. Deze twee licht ik er graag uit: